張洪瑤,閆 妍,張志欣
沈陽(yáng)工業(yè)大學(xué)管理學(xué)院,遼寧 沈陽(yáng) 110870
遼寧省由于地理環(huán)境與氣候的優(yōu)勢(shì),擁有豐富的生鮮資源。據(jù)《遼寧統(tǒng)計(jì)年鑒2022》統(tǒng)計(jì),2022年遼寧省耕地面積為3 561 500 hm2,相較于2021年增加了180 000 hm2,遼寧省生鮮產(chǎn)品中的水果、蔬菜、肉類(lèi)、禽蛋類(lèi)、水產(chǎn)品和奶類(lèi)產(chǎn)量由2010年的3 890.4萬(wàn)t上升到2021年的4 201.7萬(wàn)t,增長(zhǎng)約8%。隨著消費(fèi)升級(jí)的趨勢(shì)深化,消費(fèi)者對(duì)于生鮮產(chǎn)品的需求量和質(zhì)量要求也在不斷提高,為滿足居民對(duì)生鮮產(chǎn)品的需求,遼寧省生鮮農(nóng)產(chǎn)品的市場(chǎng)規(guī)模在日益擴(kuò)大,但生鮮產(chǎn)品本身具有低保質(zhì)和易損耗的特性,這對(duì)生鮮產(chǎn)品的物流發(fā)展提出了更高的要求。
精確的生鮮產(chǎn)品物流需求預(yù)測(cè)是優(yōu)化物流網(wǎng)絡(luò)和配送中心位置的前提,是建立更加高效和合理的生鮮產(chǎn)品物流體系的重要保障,對(duì)于保證物流體系的連續(xù)性和穩(wěn)定性具有重要意義。根據(jù)預(yù)測(cè)結(jié)果進(jìn)行合理規(guī)劃,能有效提高生鮮物流的運(yùn)輸能力,促進(jìn)遼寧省生鮮產(chǎn)品物流的現(xiàn)代化發(fā)展。
現(xiàn)有的預(yù)測(cè)模型種類(lèi)繁多,在物流需求領(lǐng)域被廣泛應(yīng)用,國(guó)內(nèi)外已有許多學(xué)者對(duì)此進(jìn)行了深入的研究[1-2]。目前,學(xué)者多采用定量方法進(jìn)行物流需求的預(yù)測(cè),例如指數(shù)平滑法、回歸預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)模型、灰色模型等進(jìn)行單一或組合形式的預(yù)測(cè)[3-4]。An[5]使用GM(1,1)模型對(duì)云南花卉物流需求進(jìn)行分析,模擬了500多個(gè)用戶造作系統(tǒng),研究取得了理想效果,為云南花卉物流領(lǐng)域的研究作出了貢獻(xiàn)。Salais-Fierro et al.[6]使用人工神經(jīng)元網(wǎng)絡(luò)有效解決了時(shí)間序列預(yù)測(cè)問(wèn)題,對(duì)公司貨運(yùn)需求進(jìn)行準(zhǔn)確預(yù)測(cè),最終提高物流配送績(jī)效。Huang et al.[7]分別使用灰色模型與BP網(wǎng)絡(luò)對(duì)區(qū)域物流進(jìn)行預(yù)測(cè),發(fā)現(xiàn)BP網(wǎng)絡(luò)預(yù)測(cè)精度高于灰色預(yù)測(cè)。
為進(jìn)一步提高預(yù)測(cè)精度,學(xué)者們對(duì)單一模型進(jìn)行改進(jìn)或采用組合的方式對(duì)物流預(yù)測(cè)[8-9]。Duman et al.[10]為提高灰色建模方法的精確度,減小模型對(duì)使用參數(shù)的依賴性,使用改進(jìn)的單變量灰色模型對(duì)逆向物流操作中的電子廢棄物做出預(yù)測(cè),提高了灰色預(yù)測(cè)的整體成功率。Yan et al.[11]在建立灰色與指數(shù)平滑模型的基礎(chǔ)上,采用方差倒數(shù)加權(quán)賦值方法構(gòu)建了組合預(yù)測(cè)模型,對(duì)貨物吞吐量的物流需求進(jìn)行預(yù)測(cè),發(fā)現(xiàn)組合模型有效提高了預(yù)測(cè)準(zhǔn)確性。蔡婉貞 等[12]為高效預(yù)測(cè)港口物流需求量,構(gòu)建了BP與RBF兩種神經(jīng)網(wǎng)絡(luò)方法的加權(quán)組合預(yù)測(cè)模型,結(jié)果表明:組合模型較單一預(yù)測(cè)模型精度有所提高。
以上學(xué)者在使用灰色模型對(duì)物流需求進(jìn)行預(yù)測(cè)時(shí),缺少處理極端數(shù)值的能力,使用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)時(shí),缺少新數(shù)據(jù)樣本,在進(jìn)行單一或組合預(yù)測(cè)時(shí)還需要進(jìn)一步的完善。因此,本文結(jié)合GM(1,1)模型與BP網(wǎng)絡(luò)模型的優(yōu)點(diǎn),彌補(bǔ)了灰色預(yù)測(cè)的非線性處理能力,建立一種基于灰色神經(jīng)網(wǎng)絡(luò)的生鮮物流需求的預(yù)測(cè)模型。本文選取遼寧省為實(shí)例,驗(yàn)證了模型的可行性與準(zhǔn)確性。
GM(1,1)模型[13]是灰色預(yù)測(cè)理論中的基本模型。該模型的預(yù)測(cè)原理是采用累加或其他方式,使隨機(jī)的數(shù)據(jù)序列形成一組具有規(guī)律的新序列,按照新數(shù)據(jù)序列的增長(zhǎng)趨勢(shì)建立模型,然后累減恢復(fù)序列進(jìn)而得到預(yù)測(cè)結(jié)果。
設(shè)原始數(shù)組為:
X(0)=(X(0)(1),X(0)(2),…,X(0)(n))
(1)
對(duì)X(0)累加得到一階累加序列。
緊鄰均值數(shù)列為:
(2)
構(gòu)建灰微分方程為:
X(0)(k)+aZ(1)(k)=b
(3)
式中:a為發(fā)展系數(shù),b為灰作用量。
模型白化微分方程為:
(4)
根據(jù)最小二乘法可得:
其中:
Y=(X(0)(2),X(0)(3),…,X(0)(n))T,
(5)
求解白化微分方程得:
(6)
累減還原得到預(yù)測(cè)值:
(7)
BP網(wǎng)絡(luò)[14]采用梯度反向傳播算法,具有一定的自學(xué)習(xí)能力,通過(guò)循環(huán)訓(xùn)練樣本數(shù)據(jù)來(lái)收集系統(tǒng)所產(chǎn)生的誤差,將誤差返回至輸出,內(nèi)部調(diào)整神經(jīng)元權(quán)重,讓計(jì)算輸出趨近期望輸出。BP網(wǎng)絡(luò)有輸入層、隱層和輸出層,隱層可以自主設(shè)置為一層或多層,具體的網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)計(jì)根據(jù)樣本數(shù)據(jù)而變化,圖1是基本的3層BP網(wǎng)絡(luò)模型。
圖1 BP網(wǎng)絡(luò)拓?fù)鋱D
灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)[15-16]通常分為2類(lèi),第1類(lèi)是并聯(lián)式組合,即將灰色模型和神經(jīng)網(wǎng)絡(luò)模型分別單獨(dú)建立,計(jì)算2個(gè)模型各自的預(yù)測(cè)值,最后將2個(gè)模型的預(yù)測(cè)值進(jìn)行組合加權(quán),得到組合模型的預(yù)測(cè)值;第2類(lèi)是串聯(lián)式組合,即把灰色模型的輸出結(jié)果作為神經(jīng)網(wǎng)絡(luò)模型的輸入樣本。本文選擇的方法是并聯(lián)式組合預(yù)測(cè),具體建模流程如下。
在對(duì)組合模型進(jìn)行構(gòu)建時(shí),本文利用標(biāo)準(zhǔn)差組合模型的構(gòu)建方式對(duì)灰色神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建,標(biāo)準(zhǔn)差法是在單一模型標(biāo)準(zhǔn)差的基礎(chǔ)上確定最優(yōu)加權(quán)系數(shù)的一種方法。假設(shè)第i個(gè)單一模型預(yù)測(cè)誤差的標(biāo)準(zhǔn)差為σ,m個(gè)單一模型預(yù)測(cè)誤差的標(biāo)準(zhǔn)差之和。
(8)
則第i個(gè)單一模型最優(yōu)加權(quán)系數(shù)為:
(9)
灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值是各模型預(yù)測(cè)值與其加權(quán)系數(shù)乘積的和。
本文選取蔬菜、水果、肉類(lèi)、禽蛋產(chǎn)品、乳制品、水產(chǎn)品作為生鮮產(chǎn)品的主要研究對(duì)象,將遼寧城鎮(zhèn)居民對(duì)于這6類(lèi)農(nóng)產(chǎn)品的人均主要食品消費(fèi)量之和作為遼寧省生鮮物流需求量的輸出數(shù)據(jù)Y,遼寧省生鮮物流需求量如表1所示。結(jié)合遼寧省生鮮物流實(shí)際發(fā)展情況,首先構(gòu)建了經(jīng)濟(jì)發(fā)展水平、居民消費(fèi)水平等5個(gè)一級(jí)指標(biāo),涵蓋人均生產(chǎn)總值、第一產(chǎn)業(yè)值等14個(gè)二級(jí)指標(biāo)。樣本數(shù)據(jù)均來(lái)源于《2011—2022年遼寧省統(tǒng)計(jì)年鑒》。
表1 遼寧省生鮮物流需求量 單位:萬(wàn)t
利用SPSS軟件進(jìn)行變量間相關(guān)性分析,生鮮物流需求指標(biāo)體系及指標(biāo)相關(guān)性見(jiàn)表2。可得出Y與X8、X10和X14的相關(guān)性較低,小于0.6,因此舍去這3個(gè)指標(biāo)。其余11個(gè)指標(biāo)與Y的相關(guān)性均大于0.6,可作為最終影響遼寧省生鮮物流需求的指標(biāo),作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量進(jìn)行預(yù)測(cè)。
表2 生鮮物流需求指標(biāo)體系及指標(biāo)相關(guān)性
文章選取2010—2019年數(shù)據(jù)作為模擬組,2020—2021年數(shù)據(jù)作為預(yù)測(cè)組驗(yàn)證模型。根據(jù)上文GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)模型構(gòu)建流程,對(duì)樣本數(shù)據(jù)進(jìn)行模擬及預(yù)測(cè)。
首先通過(guò)式(1)~(5),可計(jì)算GM(1,1)模型白化微分方程為:
(10)
經(jīng)模型模擬,該模型模擬誤差1.17%,預(yù)測(cè)誤差12.46%。構(gòu)建11×10×1的3層BP神經(jīng)網(wǎng)絡(luò),訓(xùn)練集、驗(yàn)證集與測(cè)試集之間的數(shù)據(jù)比例為8:2:2,訓(xùn)練方法trainlm,學(xué)習(xí)率0.01,最高迭代100次,最終模擬誤差2.15%,預(yù)測(cè)誤差2.11%,2次單一模型的預(yù)測(cè)后,經(jīng)式(8)~(9)計(jì)算,即可確定組合模型的預(yù)測(cè)值為:YZ=0.316 2Y1+0.683 8Y2,其中,Y1為GM(1,1)預(yù)測(cè)結(jié)果,Y2為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果,YZ即為灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果。根據(jù)模型精確度檢驗(yàn)結(jié)果,灰色神經(jīng)網(wǎng)絡(luò)模型的擬合數(shù)據(jù)MAPE=1.79%,預(yù)測(cè)數(shù)據(jù)MAPE=2.44%,綜合誤差MAPE=1.90%。3個(gè)模型的模擬及預(yù)測(cè)結(jié)果如表3所示。
根據(jù)表3可以看出,灰色GM(1,1)模型、BP網(wǎng)絡(luò)和組合預(yù)測(cè)模型的綜合誤差分別為3.05%、2.14%、1.90%,灰色神經(jīng)網(wǎng)絡(luò)模型的誤差值最低,預(yù)測(cè)精度最高。GM(1,1)模型在2011—2021年預(yù)測(cè)中,數(shù)據(jù)波動(dòng)性較小,難以預(yù)測(cè)需求量走勢(shì);BP網(wǎng)絡(luò)預(yù)測(cè)出大概趨勢(shì)但數(shù)值上仍有誤差。與兩種單一預(yù)測(cè)模型相比,灰色神經(jīng)網(wǎng)絡(luò)模型能夠較為準(zhǔn)確地呈現(xiàn)出遼寧省生鮮物流需求量的變化趨勢(shì),預(yù)測(cè)結(jié)果有較高的參考價(jià)值。
因此,本文選用灰色神經(jīng)網(wǎng)絡(luò)模型對(duì)遼寧省的生鮮物流需求量進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果見(jiàn)表4。根據(jù)表4的預(yù)測(cè)數(shù)據(jù),可以看出預(yù)測(cè)值在逐年增大,到2026年,遼寧省生鮮物流需求量可達(dá)到約1 119.824萬(wàn)t,相較2021年增長(zhǎng)了約196萬(wàn)t,增幅約20%。經(jīng)計(jì)算,生鮮物流需求在未來(lái)5年的平均年增長(zhǎng)率為4%,表明遼寧省生鮮物流行業(yè)在穩(wěn)步發(fā)展,生鮮物流需求量在不斷提升,遼寧省生鮮物流業(yè)在積極推動(dòng)遼寧省經(jīng)濟(jì)的發(fā)展。
表4 遼寧省生鮮物流需求量預(yù)測(cè)結(jié)果 單位:萬(wàn)t
1)根據(jù)所建立的指標(biāo)與相關(guān)性分析結(jié)果,遼寧省生鮮產(chǎn)品物流的需求量受到經(jīng)濟(jì)發(fā)展水平、居民消費(fèi)水平、生鮮產(chǎn)品供給能力、物流水平和社會(huì)投資等因素的共同影響。因此,在部署遼寧省生鮮物流管理戰(zhàn)略規(guī)劃時(shí),需要綜合考量各影響因素的作用,協(xié)同發(fā)展。
2)本文采用定量分析法,分別應(yīng)用GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型、灰色神經(jīng)網(wǎng)絡(luò)模型對(duì)遼寧省生鮮物流需求量進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果都存在一定的誤差,3種預(yù)測(cè)模型的平均相對(duì)誤差絕對(duì)值分別為3.05%、2.14%和1.90%。結(jié)果表明:GM(1,1)模型和BP網(wǎng)絡(luò)模型的預(yù)測(cè)精度均低于二者組合的預(yù)測(cè)模型,灰色神經(jīng)網(wǎng)絡(luò)模型可以結(jié)合單項(xiàng)預(yù)測(cè)的優(yōu)點(diǎn),克服局限性,有效提高需求量的預(yù)測(cè)精度,所以應(yīng)用該組合模型對(duì)物流需求量進(jìn)行預(yù)測(cè)行之有效。
鳴謝:
感謝遼寧裝備制造管理工程重點(diǎn)實(shí)驗(yàn)室、遼寧裝備制造業(yè)發(fā)展研究基地、遼寧省人文社科重點(diǎn)研究基地:沈陽(yáng)工業(yè)大學(xué)微觀管理理論研究中心對(duì)本文的大力支持。